論文の概要: A Photonic Physically Unclonable Function's Resilience to Multiple-Valued Machine Learning Attacks

• arxiv url: http://arxiv.org/abs/2403.01299v1
• Date: Sat, 2 Mar 2024 19:44:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 14:16:48.144380
• Title: A Photonic Physically Unclonable Function's Resilience to Multiple-Valued Machine Learning Attacks
• Title（参考訳）: 多値機械学習攻撃に対するフォトニックな物理的に不可避な関数のレジリエンス
• Authors: Jessie M. Henderson, Elena R. Henderson, Clayton A. Harper, Hiva Shahoei, William V. Oxford, Eric C. Larson, Duncan L. MacFarlane, and Mitchell A. Thornton
• Abstract要約: 非線形関連チャレンジ応答対(CRP)を用いた集積回路の同定 ランダムな確率よりも応答ビットを予測できるモデルをトレーニングするには,約1,000個のCRPが必要であることが判明した。 フォトニックPUFから大量のCRPを取得するという大きな課題を考えると,この攻撃に対するフォトニックPUFのレジリエンスを実証する。
• 参考スコア（独自算出の注目度）: 2.271444649286985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physically unclonable functions (PUFs) identify integrated circuits using nonlinearly-related challenge-response pairs (CRPs). Ideally, the relationship between challenges and corresponding responses is unpredictable, even if a subset of CRPs is known. Previous work developed a photonic PUF offering improved security compared to non-optical counterparts. Here, we investigate this PUF's susceptibility to Multiple-Valued-Logic-based machine learning attacks. We find that approximately 1,000 CRPs are necessary to train models that predict response bits better than random chance. Given the significant challenge of acquiring a vast number of CRPs from a photonic PUF, our results demonstrate photonic PUF resilience against such attacks.
• Abstract（参考訳）: 物理的に拘束不能な関数 (PUF) は非線形に関連するチャレンジ応答対 (CRP) を用いて集積回路を識別する。 理想的には、CRPのサブセットが知られているとしても、課題と対応する応答の関係は予測できない。 以前の研究は、非光学プフに比べてセキュリティが改善されたフォトニックプフを開発した。 本稿では,このPUFの多値論理に基づく機械学習攻撃に対する感受性について検討する。 ランダムな確率よりも応答ビットを予測できるモデルをトレーニングするには,約1000個のCRPが必要である。 フォトニックPUFから大量のCRPを取得するという大きな課題を考えると,この攻撃に対するフォトニックPUFのレジリエンスを実証する。

関連論文リスト

• Designing a Photonic Physically Unclonable Function Having Resilience to Machine Learning Attacks [2.369276238599885]
  機械学習(ML)攻撃の訓練に必要なデータセットを生成するための計算PUFモデルについて述べる。 モデル化されたPUFは均一な白色雑音に類似した分布を生成する。 予備的な解析は、PUFが生成する敵ネットワークに類似したレジリエンスを示すことを示唆している。
  論文  参考訳（メタデータ） (2024-04-03T03:58:21Z)
• Machine Learning Resistant Amorphous Silicon Physically Unclonable Functions (PUFs) [0.9423257767158634]
  非線形波動カオス型アモルファスシリコン(a-Si)キャビティの物理的非拘束機能(PUF)としての利用について検討する。 統合された電子PUFに対する機械学習攻撃は、PUFの挙動をモデル化するのに非常に効果的であることが示されている。
  論文  参考訳（メタデータ） (2024-02-05T10:00:28Z)
• Active learning for fast and slow modeling attacks on Arbiter PUFs [7.8713273072725665]
  ほとんどのモデリング攻撃では、機械学習アルゴリズムのラベル付きデータとして、チャレンジ-レスポンス-ペア(CRP)のランダムなサブセットが使用される。 SVMアルゴリズムが高速に学習し、遅く学習するのを助けるために、チャレンジセレクションに重点を置いています。
  論文  参考訳（メタデータ） (2023-08-25T19:34:01Z)
• Polynomial Bounds for Learning Noisy Optical Physical Unclonable Functions and Connections to Learning With Errors [0.0]
  ノイズの存在下でも、光学的物理的非拘束関数(PUF)のクラスを任意に高い確率で精度で学習できることが示されている。 これはRh"uramir et al. (2013) の結果を拡張し、この分類のPUFのサブセットがノイズがない場合に学習可能であることを示した。
  論文  参考訳（メタデータ） (2023-08-17T22:26:48Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
  国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。 このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。 したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
  論文  参考訳（メタデータ） (2023-07-15T23:53:37Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• Modeling Strong Physically Unclonable Functions with Metaheuristics [7.673465837624365]
  進化的アルゴリズムは、物理的に不可避な関数の攻撃に成功している。 CMA-ESは信頼性攻撃と呼ばれる攻撃の最も強力な選択肢として認識されている。 我々は、強力なPUFに対する挑戦応答型ペアベースアタックのメタヒューリスティックスについて、一歩後退し、いくつかのメタヒューリスティックスを評価する。
  論文  参考訳（メタデータ） (2022-02-16T14:00:16Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Adversarial Attack on Deep Product Quantization Network for Image Retrieval [74.85736968193879]
  近年,高速画像検索においてDPQN (Deep Product Quantization Network) が注目されている。 近年の研究では、ディープニューラルネットワーク(DNN)は、小さく、悪意のある設計の摂動によって入力に弱いことが示されている。 本稿では,製品量子化に基づく検索システムに対して,製品量子化逆生成(PQ-AG)を提案する。
  論文  参考訳（メタデータ） (2020-02-26T09:25:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。